بخشی از مقاله انگلیسی:

1. Introduction

The notion of returns to scale (RTS) is well-established in data envelopment analysis (DEA) — see, e.g., Cooper, Seiford, and Tone (2007), Ray (2004) and Thanassoulis, Portela, and Despic´ (2008). Extending the earlier results of Banker (1984) and Banker and Thrall (1992), the DEA literature has primarily focused on the definition and evaluation of RTS in the variable returns-to-scale (VRS) production technology, for which several different methods are now available (for a review, see Banker, Cooper, Seiford, and Zhu, 2011, and Sahoo & Tone, 2015). The RTS characterization of decision making units (DMUs) is also related to the notions of scale efficiency and most productive scale size (MPSS) introduced by Banker, Charnes, and Cooper (1984) and Banker (1984). Further connections can be made to the notion of global RTS (GRS) introduced by Podinovski (2004a), Podinovski (2004b). The GRS characterization is global in the sense that its types are indicative of the direction to MPSS and are not defined by the local (marginal) properties of production function. In the VRS technology, some relevant known results describing the relationship between RTS and other scale characteristics can be summarized as follows. 1. A standard procedure for testing if a DMU is at MPSS arises from the definition of MPSS by Banker (1984). It is based on evaluation of input or output radial efficiency of the DMU in the reference constant returns-to-scale (CRS) technology of Charnes, Cooper, and Rhodes (1978), which, from a gen eral perspective, is the cone technology generated by the VRS technology. 2. An alternative way to test for MPSS is to evaluate the type of RTS exhibited by a DMU. Namely, a DMU is at MPSS if and only if it exhibits CRS (Banker & Thrall, 1992). 3. The GRS characterization of DMUs in the VRS technology, while generally different from the conventional local RTS characterization, in the case of VRS technology coincides with the latter. This effectively follows from Proposition 1 proved by Banker (1984). In recent years, a number of new production technologies have been developed and studied in the DEA literature. Most of these technologies are polyhedral (and therefore convex) sets in the input and output dimensions. Podinovski, Chambers, Atici, and Deineko (2016) refer to such technologies as polyhedral technologies.1 The class of polyhedral technologies is very large and includes most of the known convex DEA technologies, such as the CRS and VRS technologies of Charnes et al. (1978) and Banker et al. (1984). Further examples include the VRS and CRS technologies expanded by weight restrictions or production trade-offs (Atici & Podinovski, 2015; Joro & Korhonen, 2015; Podinovski, 2004d; 2007; 2015; 2016; Podinovski & Bouzdine-Chameeva, 2013; 2015), the weakly disposable VRS technology (Kuosmanen, 2005; Kuosmanen & Kazemi Matin, 2011; Kuosmanen & Podinovski, 2009), the hybrid returns-to-scale (HRS) technology (Podinovski, 2004c; Podinovski, Ismail, Bouzdine-Chameeva, & Zhang, 2014), the convex CRS technology with exogenously fixed inputs and outputs (Podinovski & Bouzdine-Chameeva, 2011), some models of technologies with multiple component processes (Cherchye, De Rock, Dierynck, Roodhooft, & Sabbe, 2013; Cherchye, De Rock, & Walheer, 2015; 2016; Cook & Zhu, 2011) and various network DEA models (see, e.g., Kao, 2014; Sahoo, Zhu, Tone, and Klemen, 2014). It is clear that RTS and related scale characterizations such as MPSS are important for all polyhedral technologies. Thus, several authors develop bespoke methodologies for evaluation of RTS in particular technologies (see, e.g., Tone, 2001; Sahoo et al., 2014). Podinovski et al. (2016) develop a universal methodology for the RTS characterization of DMUs in any polyhedral technology. This approach uses linear programming techniques for calculation of one-sided scale elasticities that subsequently define the types of RTS. Although the current DEA literature allows us to define and evaluate the RTS types for any polyhedral technology, and further methods exist for their GRS characterization, the relationship between RTS and GRS types (including MPSS) has so far remained unexplored. An exception here is the equivalence of RTS and GRS characterizations for convex technologies whose boundaries are smooth, established by Podinovski (2004a). This result does not, however, apply to polyhedral technologies. This paper addresses the above gap. Its main contribution is the establishment of equivalence of local and global characterizations of RTS in any polyhedral technology. In particular, this implies that a DMU exhibits CRS if and only if it is at MPSS. In fact, from the theoretical perspective, it is straightforward to generalize and prove this result in a larger class of closed convex technologies, of which polyhedral technologies are a special case. From a practical perspective, the established equivalence of the notions of RTS and GRS gives us a new tool for evaluating the GRS types in any polyhedral (and, more generally, closed and convex) technology, by evaluating the RTS types instead. More precisely, standard methods for the evaluation of MPSS and GRS types require the use of reference technologies (such as the CRS, nonincreasing and non-decreasing RTS technologies, if the underlying true technology is VRS). For many polyhedral technologies, their reference technologies may not be immediately available and would require further development before they could be used. The new theoretical results established in this paper allow us to avoid this and, instead, use the existing methodologies for evaluation of RTS. We illustrate the usefulness of the new results by a numerical example involving the RTS and GRS characterizations of a VRS technology expanded by the specification of weight restrictions. We also discuss the application of new results to a two-stage network DEA model.


 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
  • برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
  • برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار 2014
تعداد صفحات مقاله انگلیسی  20صفحه با فرمت pdf
رشته های مرتبط با این مقاله پزشکی و مهندسی پزشکی
گرایش های مرتبط با این مقاله پردازش تصاویر پزشکی و مغز و اعصاب
مجله سیستم های خبره و کاربردهای آن – Expert Systems with Applications
دانشگاه دانشکده علوم، دانشگاه عین الشمس، مصر
کلمات کلیدی تومورهای مغز انسان، تصویربرداری پزشکی، انفورماتیک پزشکی، تصاویر رزونانس مغناطیسی، تقسیم بندی، استخراج ویژگی ها، طبقه بندی ها، تشخیص بیماری هوشمند با کمک کامپیوتر، سیستم ها
شناسه شاپا یا ISSN ISSN 0957-4174
رفرنس دارد  
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه الزویر Untitled

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin 50صفحه
ترجمه عناوین تصاویر و جداول ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه شده است  
ترجمه متون داخل جداول ترجمه شده است  
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه به صورت عکس درج شده است  
منابع داخل متن به صورت فارسی درج شده است 

 


 

چکیده

1. مقدمه

2. تکنیک های تصویربرداری از مغز

3. روش عام طرح MRI (CAD)

3.1 تهیه و پردازش تصویر

3.2 روش های تقسیم بندی برای تصاویر پزشکی MR

3. 3. تکنیک های استخراج و طبقه بندی ویژگی برای مغز MRI

4. روش پیشنهادی

4.1 تهیه و پردازش تصویر

4. 2. تقسیم بندی منطقه مورد نظر بر اساس FPCNN

4.3 استخراج ویژگی مبتنی بر تبدیل موجک

4 4. کاهش ویژگی بر اساس PCA

4.5 طبقه بندی تصویر MRI بر اساس ANN

4.6 ارزیابی عملکرد

5. پیاده سازی و بحث در مورد آزمایش

5. 1. پایگاه داده

5.2 پیش پردازش

5.3 تقسیم بندی

5. 4. استخراج و کاهش ویژگی

5. 5. ارزیابی طبقه بندی و عملکرد

6. نتیجه گیری و کار آینده


  • بخشی از ترجمه:

 

6. نتیجه گیری و کار آینده

با پیشرفت تکنیک های هوش محاسباتی و یادگیری ماشین، تشخیص به کمک کامپیوتر، برای تشخیص تومور مغزی جذاب تر شده است و یک موضوع مهم تحقیقاتی در تصویربرداری پزشکی و رادیولوژی تشخیصی است. در این مطالعه، ما مطالعات فعلی از الگوریتم های مختلف تقسیم بندی، استخراج ویژگی و طبقه بندی را بررسی نمودیم. به طور خاص، این مقاله به بررسی مقالات اخیر پرداخته است که بین سال های 2006 و 2012 ارائه شده اند. با توجه به این، ما یک روش ترکیبی برای پردازش تصاویر مغز MRI را ارائه نمودیم. روش پیشنهادی برای اولین بار از شبکه عصبی بازخورد -پالس-تزویجی به عنوان یک پردازنده نهایی برای تقسیم بندی تصویر و تشخیص منطقه مورد نظر استفاده می کند و سپس تبدیل موجک گسسته را برای استخراج ویژگی های تصاویر MRI به کار می گیرد. علاوه بر این تجزیه و تحلیل مولفه اصلی به منظور کاهش ابعاد ضرایب موجک انجام می شود که منجر به طبقه بندی دقیق و کارآمد تر می شود. برای طبقه بندی ورودی به نرمال یا غیر نرمال بر اساس پارامترهای انتخاب ویژگی، ویژگی های کاهش یافته به شبکه های عصبی انتشار به عقب فرستاده می شوند. یک ارزیابی اولیه در موردتصاویر مغز MRI، نتایج دلگرم کننده ای را ارائه داده است که نشان دهنده استحکام روش پیشنهادی است.


  • بخشی از مقاله انگلیسی:

6. Conclusion and future work

With the advance of computational intelligence and machine learning techniques, computer-aided detection attracts more attention for brain tumor detection. It has become one of the major research subjects in medical imaging and diagnostic radiology. In this study, we reviewed current studies of the different segmentation, feature extraction and classification algorithms. In particular, this paper reviews recent papers which are between 2006 and 2012. In light of this, we proposed a hybrid technique for processing of MRI brain images. The proposed technique first applies feedback pulse-coupled neural network as a front-end processor for image segmentation and detecting the region of interest, and then employs the discrete wavelet transform to extract features from MRI images. Moreover the principal component analysis is performed to reduce the dimensionality of the wavelet coefficients which results in a more efficient and accurate classifier. The reduced features are sent to back-propagation neural network to classify inputs into normal or abnormal based on feature selection parameters. A preliminary evaluation on MRI brain images shows encouraging results, which demonstrates the robustness of the proposed technique. We have realized a large number of algorithms that could also be applied to the developed system and compare the results with this one. According to the experimental results, the proposed method is efficient for automated diagnosis of brain diseases.


 

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
  • برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
  • برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

 

 

آخرین دیدگاه‌ها

    دسته‌ها